12 月 22 日訊息，2021 華為智慧汽車解決方案生態論壇在線上隆重召開，此次論壇以“聚享生態 合創未來”為主題。

在下午的“對話車雲”專題中，華為智慧車雲的三位專家分享了華為車聯網領域拉動智慧網聯汽車發展的“三駕馬車”——OTA、VHR、以及三電雲服務。

現在華為官方公佈了發言稿全文，此處略作整理，我們一起來看一下。

OTA 雲服務：

隨著新能源汽車快速規模發展，在智慧化、網聯化趨勢下，軟體定義汽車已成為行業共識，OTA 成為軟體定義汽車的核心助力。華為釋出 OTA 3.0 整車級升級方案，可提供整車級、安全可靠零變磚、體驗佳的升級體驗。

配備 OTA 的車型具備的四大優勢：

• 縮短上市週期：硬體預埋交付，後續持續迭代軟體，顛覆了傳統模式下軟硬體同步交付模式，車輛上市週期大幅縮短。

• 產品演進帶來使用者體驗提升：相比於傳統車型，通過 OTA 使用者可持續獲得新功能體驗，包括智慧駕駛、智慧車控、動力優化等多個域，為車主帶來更多智慧體驗，同時提升使用者粘性。

• 為售後服務帶來優勢：有了 OTA 能力，可以通過遠端升級解決大量原有需要到 4S 店才能修復的軟體問題，大幅降低售後運維成本。

• 帶來新商業模式：相對於原有一次性銷售的傳統商業模式，使用者購車後可以付費獲取新的軟體功能特性，以及軟體帶來硬體的升級等，為車企帶來持續的增量收益。

據介紹，OTA 發展會經歷三個階段，從市場上來看，目前絕大部分新勢力 ICV 已率先進入 OTA 3.0 階段，並在 ADAS / ADS、車控域、座艙域、動力域等保持較高的迭代速度。

OTA3.0 需要關注的三大核心問題：整車版本管理和質量看護、OTA 安全可靠，以及使用者體驗。

• 第一階段：近端刷寫。車主把車開到 4S 店，通過近端診斷儀進行軟體更新。早在 21 世紀初，就有外資車企首次探索遠端升級 Tbox 應用，但也僅限於一些網聯基礎服務，諸如道路救援、ecall、遠端查詢服務。

• 第二階段：零部件 OTA 升級。這期間的升級形態主要是單部件或者少量部件組合的升級。在網聯基礎服務和座艙娛樂類應用升級之外，逐步開放了一些 CAN 匯流排的 ECU FOTA，由於這些 ECU 安全敏感度高，OTA 安全問題首次被關注。

• 第三階段：整車級升級。這是面向整車智慧化體驗的一次升級革命，受益於 4G / 5G 網路的發展，以及整車智慧件的發展，整車級應用如智慧駕駛、場景化遠端控車等功能包含了跨域多 ECU 協同工作，因此整車升級成為 OTA 必備場景，同時要求 OTA 系統支援從研發到商用全流程、全場景的升級能力。

OTA3.0 需要關注的三大核心問題：

整車版本管理是一個系統化問題，如何保障整車各部件版本的相容性和一致性。當前整車軟體程式碼行數達到億級，多部件協同複雜度高。售後車輛五花八門的零件版本組合導致千車千面，如何保障整車各部件版本的相容性、一致性，如何保障版本質量、預防 bug，尤其是影響駕駛安全的 bug，工程浩大。以 20 個零部件組合為例，整車生命週期中，功能和問題導致的變更產生的版本的數量可能達到上千個之多。在整車智慧體驗時代，OTA 越來越普及，高效的版本管理成為關鍵挑戰，能夠提供有效的軟體版本管理的能力的 OTA 平臺更有優勢。

智駕、車控、動力域升級成為常態，如何保障整車 OTA 下的安全可靠顯得極其關鍵。OTA 升級導致變磚將觸碰使用者的體驗紅線，業界因變磚導致投訴甚至輿情的案例也層出不窮。

華為針對 OTA 導致變磚進行了系統化的分析，整車升級過程控制漏洞、核心部件不可用、遠端修復缺失、軟體 bug 成為變磚的最大誘因。如何在設計階段預判所有可能導致升級變磚的故障，是個系統化的問題，需要針對所有場景下的潛在故障進行分析和模擬，並針對性制定衰減措施進行預防。

華為手機在多年前就支援了 OTA，針對手機 OTA 故障進行了系統性的故障失效模式分析，也保障了數十億次的可靠的升級，經驗值得借鑑。和手機升級類似，在 OTA 過程中同樣面臨流量消耗、升級時長、操作互動等使用者體驗問題。

基於此，華為提出 OTA 作為核心服務，在 OTA3.0 時代需要具備三大能力：

• 打通全流程

• 覆蓋全場景

• 安全可靠零變磚

打通研發到商用全流程（包括管理動作和升級執行）。覆蓋全升級場景，提供靈活的場景組合，在任何實際場景中都能升級。

華為的 OTA 解決方案是面向華為 HI 汽車解決方案打造的一款整車級遠端升級服務。天然適配 HI 解決方案升級，可覆蓋智慧駕駛、智慧座艙、智慧電動、智慧網聯、智慧車控等 45 + 零部件；同時華為提供的開放式車端升級服務架構，支援車企自有件及三方件的升級，可以支援車企企標零部件刷寫規範；在應用層面支援包括 ADAS / ADS 應用、演算法、鴻蒙OS、鴻蒙原生應用的升級能力。

同時，華為構建了安全、效能以及互動並重的使用者升級體驗：

基於多年 ICT 軟體管理經驗，提供 One-Track 的整車級版本管理體系，實現了 OTA 時代千車一面，版本單線演進，大幅降低複雜軟體組合的管理效率。

基於安全可靠性設計優秀實踐 DFEMA 體系，識別分析 2000 + 故障並全面進行故障衰減措施，實現車規級 OTA 安全可靠和零變磚的目標。

依託華為雲 2000+ CDN，動態排程、源站分流，實現安全可靠的高速下載能力。支援並行差分安裝、多域並行升級能力，將整車級升級縮短至 25 分鐘以內。

依託多年消費者業務經驗，華為提供車機、手機的多端友好協同互動操作介面，方便使用者在不同場景下進行升級。

在智慧汽車時代，各個車企持續不斷的發展軟體生態、構建和優化軟體管理流程、對車輛升級可靠性有著專業的見解和思考，也積累了豐富的經驗。

華為提供的是 OTA 服務平臺，希望與各個車企、生態夥伴一起在 OTA 軟體生態、管理流程、可靠性、運營運維等各方面持續探索，共築競爭力領先的 OTA 服務。

VHR：

智慧網聯汽車的快速發展，為人與車的聯結與體驗帶來的兩個變化：

• 為車輛運維帶來新的便利。

以前汽車發生故障或者狀態不正常，消費者都是要去維修中心進行檢查，現在有了這些大量的資料，主機廠就可以實時的，甚至在故障還處於萌芽階段，就提前預警，主動對客戶進行關懷。也可以對一些常見問題提前構建預案，對備件進行較為準確的配比模型預測，大大提升車輛運維效率。

• 催生更多的衍生服務。

通過挖掘資料的價值，為使用者提供更好的服務，為車企帶來更多的收益。

同時隨著車輛智慧化的發展，各個車身部件的數字化比例都在不斷提升：車輛的軟體程式碼的量級在不斷提升，現在軟體程式碼的量已經是十年前的 10 倍，未來汽車上的軟體程式碼量將進一步提升到 3-5 億行。車輛各個系統和部件每天都在上報各種狀態訊號、日誌、告警，目前單車的資料量已經在 150-200M 每天的量級，未來隨著取樣頻率的提升和部件複雜程度的增加，還會進一步提升。

瞭解到，華為參考 ICT 行業的經驗，提出了 VHR 的理念。

VHR 代表的含義是 Vehicle History Record，是一種基於資料驅動的全生命週期的概念，目的是在大量資料的基礎上，實現車輛的可視、可維、使用者關懷、高效運營等，這些工作在未來會大大提升車主的用車感受及使用者粘性，同時也為車企帶來重要的價值和收益。

VHR 涵蓋了從資料採集、資料治理、資料分析、車輛狀態可視、車輛故障診斷、趨勢分析、預測、改進等多個環節，是一個從車輛來，到車輛去的閉環體系。

未來，基於 VHR 的應用場景會非常多，先簡單分享五個主要場景：

• 場景一：車輛數字孿生通過數字孿生實現車輛核心域及核心部件可視，比如動力域的電機、電池，底盤域的數字底盤，自動駕駛或高級別輔助駕駛的感測器（雷達、攝像頭等）、車載智慧駕駛計算平臺，還有智慧座艙等，特別是對於生命安全特別重要的部件系統，能夠實時的知道這些部件的執行狀態、關鍵引數及指標，這對於智慧汽車的產品改進、缺陷發現、效能提升、故障定界定位等都是非常關鍵的基礎能力。數字孿生，絕對不是一個簡單的透檢視片，對每一個域、每一個系統的關鍵的結構、效能引數的深刻理解，才能構建起真正有效的數字孿生系統。而且這個系統，對於平臺的大資料和 AI 能力都有很高的要求。

• 場景二：遠端診斷傳統的汽車故障處理方式是去維修中心進行處理，對於傳統汽車，這種模式也沒有太大問題，但是智慧汽車有幾個核心變化，一個是動力系統由燃油機變成了動力電池和電機，動力電池在故障和效能方面有一個隨著時間變化而不斷變化的過程，因此長期對其進行監控和提前發現潛在風險是非常必要的（這將會在下文的三電雲服務中具體提及）。另一個變化是，未來在智慧駕駛和高級別輔助駕駛場景下，可靠性的要求會非常高，對系統核心部件進行故障的預測和遠端診斷就變得非常重要。因此，從整車、域、部件的維度，把診斷也分為三個層次，華為根據行業專家及主機廠的意見，提煉了一些核心場景，比如車輛趴窩、熱失控、碰撞、OTA 升級失敗、制動力不足等場景，通過構建故障樹或 AI 學習，針對性構建遠端診斷的能力。

• 場景三：智慧值守相信大家都有過這種經歷，當你對自己購買的商品或服務有疑問的時候，以前是打客服電話，現在大部分會用 Web 或者 App 中的線上客服，如果客服反覆詢問一些基本資訊和情況，還有當客服 A 轉給客服 B 處理的時候，你可能會因不斷重複描述問題和基本資訊而感到不滿，並降低你的服務體驗。因此，使用者服務中心裡一些基本能力的構建是非常重要的，比如車輛基本資訊、車輛下線後的過往維修保養的歷史情況、車輛狀態、一些基本問題的解決建議等，這對於提升車主的感知非常關鍵。通過 VHR 可以做到比車主更瞭解車，通過智慧值守時刻為使用者保駕護航，這樣使用者粘性會大大增強，在產品力同等的情況下，使用者肯定會對這樣的服務感受留下深刻映像。

• 場景四：質量預測我國汽車召回制度在提升企業產品質量，保障消費者權益方面發揮了越來越重要的作用。對於車企來說，能夠儘快識別潛在風險和缺陷，將大幅降低質量成本，提升產品和服務質量，保護品牌價值方面發揮重要作用。因此，打通從產線（十月懷胎）、車輛使用過程（成長）、車輛退市整個生命週期中的資料，並且基於這些長期的資料，構建質量分析和預測的模型，將是一個長期且很有價值的工作。據資料顯示，2020 年中國汽車召回 199 次，涉及車輛 678.2 萬輛，其中新能源汽車召回 45 次，涉及車輛 35.7 萬輛，只要改進一點點，將會帶來非常大的收益。

• 場景五：車輛畫像通過整合對接 MES、DMS、CRM 、Warranty、營銷系統、OTA 等業務系統，構建領域模型，並對資料進行挖掘和關聯分析形成使用者標籤，通過使用者畫像，實現更為直接的業務創新和資料變現。

常見的 4 個應用方向：

• 使用者與業務分析：構建多維度使用者分析模型，通過使用者標籤區分客戶群，支援市場活動、使用者經營等。

• 產品改進：挖掘共性使用者需求和偏好，優化產品和服務的體驗設計。

• 個性化服務: 基於使用者興趣愛好，偏好等資訊，提供個性化體驗和服務，比如 OTA 最佳推送時間，推送頻率，最新的特性也可以精準推送到喜歡嚐鮮的使用者群體中，也可以基於車輛狀態和駕駛行為，提供個性化保養方案。

• 精準營銷：基於使用者畫像，結合內容相似和使用者相似分析，進行精準內容推薦，對於車機的原生應用，可基於使用者標籤，推薦豐富應用，提升使用者體驗。

華為表示，為了提升檢測的效率和及時性，構建基於聯邦自學習的故障檢測方式就顯得非常重要。當前智慧汽車新增很多 ECU 控制器和裝置，資料量很大，雲端基於資料構建的模型，如果僅僅依靠雲端進行監測，在部分場景下就會存在監測不及時的問題，比如網路不好、時延較高，甚至沒有網路的情況，因此端雲協同是非常重要的選擇。

雲側異構計算資源支撐模型訓練計算，充分融合 NPU、GPU、CPU 能力，在底層實現異構計算資源融合應用排程，提升模型訓練、執行效率。

敏感個人資料端側訓練（隱私保護），多使用者特徵引數雲端共享支援聯合學習（模型精度），並通過差分隱私方式增加噪聲資料，提升安全性。

利用端側的 VDC，CDC，MDC 等高算力部件，在端側匯聚異常檢測模型做異常檢測，進行快速推理，結合雲端大資料模型和供應商提供資料補充，完善故障標籤，提高問題識別精確性和實時性等。

華為也表示，基於資料的 VHR 體系需要整個行業一起來打造，包括車端能力、雲端能力、上層的場景等等。

三電雲服務：

受國家政策等因素驅動，當今汽車電動化勢不可擋。2021 年截至 7 月份，全國新能源汽車銷售突破 122.9 萬輛，同比增長達 210.2%。新能源汽車發展迅猛，但目前新能源汽車自燃事件仍未得到有效控制，2020 年全年一共報道了 124 起事故，截至 2021 年 9 月，被媒體曝光的燒車事故達 224 起，消費者也開始從里程焦慮轉向安全顧慮。

結合電化學機理和機器學習，構建精準熱失控預警模型

引發電動汽車熱失控事故的原因多且複雜：由電芯製程缺陷、電濫用、熱濫用、機械濫用等導致的內短路引發區域性產熱，以及過充、低溫充電、快充等場景引起的大量析鋰導致熱穩定性降低，都有可能引發熱失控。其中，內短路引發熱失控的安全邊界是動態變化的，內短路是否導致熱失控需要更多的判斷因素，比如短路型別、短路內阻、SOC 等。因此，華為基於電化學機理，並結合機器學習技術，構建了更復雜的關係模型，實現新能源汽車動力電池安全的精準預警。

華為三電雲服務圍繞新能源汽車電池安全和壽命管理構建了八大應用

基於華為 VHR 資料服務底座和電池包模擬系統，構建了面向動力電池的八大應用，包括動力電池熱失控預警、電池故障檢測、電池健康度 SOH 評估、電池剩餘壽命 RUL 預測等應用，為新能源汽車保駕護航。

在電池安全預警方面，動力電池故障檢測、熱失控預警等可以達到 80% 以上的查全率，並保障誤報率在較低的區間。在電池健康度評估（SOH）方面，華為基於雲端構建的 SOH 預測模型，可以實現全壽命週期估計誤差小於 3%、剩餘迴圈 Cycle 預測誤差小於 10%，並能基於雲端電池全生命週期資料，實現電池問題 100% 可追溯。

要解決樣本資料缺乏和模型遷移問題

華為稱，要通過動力電池半實物模擬系統進行海量樣本資料構建結合實車樣本資料分析，有效克服樣本資料少的問題。目前華為已經構建覆蓋三元鋰電池、磷酸鐵鋰電池的故障樣本資料，並構建了 15+ 動力電池熱失控特徵工程庫。

此外，華為還採用了域自適應演算法，進行演算法模型的遷移。保障演算法模型從模擬環境遷移到實車時，或者在不同的材料體系和配方中進行遷移，演算法準確率依舊穩定。